整数索引
个别模式：arr[frist_dim_index,second_dim_index,...,nth_dim_index]x = np.array([1, 2, 3, 4, 5, 6, 7, 8])print(x[2]) # 3y = np.array([[11, 12, 13, 14, 15], [16, 17, 18, 19, 20], [21, 22, 23, 24, 25], [26, 27, 28, 29, 30], [31, 32, 33, 34, 35]])print(x[2]) # [21 22 23 24 25] # x[2] == x[2,:]print(x[2, 1]) # 22# x[2, 1] == x[2][1]切片索引
个别模式：arr[frist_dim_slice,second_dim_slice,...,nth_dim_slice]Dots 索引
NumPy 容许应用 ... 示意足够多的冒号来构建残缺的索引列表。
x[1,2,...]等于x[1,2,:,:,:]x[...,3]等于x[:,:,:,:,3]x[4,...,5,:]等于x[4,:,:,5,:]
整数数组索引
个别模式：arr[frist_dim,second_dim,...,nth_dim]一维数组，一维索引：
x = np.array([1, 2, 3, 4, 5, 6, 7, 8])r = [0, 1, 2]print(x[r])# [1 2 3]二维（多维）数组，一维索引：
x = np.array([[11, 12, 13, 14, 15], [16, 17, 18, 19, 20], [21, 22, 23, 24, 25], [26, 27, 28, 29, 30], [31, 32, 33, 34, 35]])r = [0, 1, 2]print(x[r])# [[11 12 13 14 15]# [16 17 18 19 20]# [21 22 23 24 25]]# x[r] 代表除了第零维，其余维度省略，等同于：[(0,:),(1,:),(2,:)]r = [0, 1, 2]c = [2, 3, 4]y = x[r, c]print(y)# [13 19 25]# x[r,c] 所有维度都没有省略，代表找出[(0,2),(1,3),(2,4)]的元素。一维数组，多维索引：
x = np.array([1, 2, 3, 4, 5, 6, 7, 8])r = np.array([[0, 1], [3, 4]])print(x[r])# [[1 2]# [4 5]]# x[r]，只对第零维进行操作，找出第零维的索引，(0,1)一组，(3，4)一组，形成多维数组多维数组，多维索引：
x = np.array([[11, 12, 13, 14, 15], [16, 17, 18, 19, 20], [21, 22, 23, 24, 25], [26, 27, 28, 29, 30], [31, 32, 33, 34, 35]])r = np.array([[0, 1], [3, 4]])print(x[r])# [[[11 12 13 14 15]# [16 17 18 19 20]]## [[26 27 28 29 30]# [31 32 33 34 35]]]# x[r]，只对第零维进行操作，找出第零维的索引，(0,1)一组，(3，4)一组，形成多维数组# 相当于 [[(0,:),(1,:)][(3,:),(4,:)]]r = np.array([[0, 0], [4, 4]])c = np.array([[0, 4], [0, 4]])y = x[r, c]print(y)# [[11 15]# [31 35]]# 获取[[(0,0),(0,4)][(4,0),(4,4)]] 的元素r = np.array([0,0])c = np.array([[0, 4], [0, 4]])y = x[r, c]print(y)# [[11, 15],# [11, 15]]# 获取[[(0,0),(0,4)][(0,0),(0,4)]] 的元素# 相当于 r = np.array([[0,0],[0,0]]) 播送机制切片 + 索引
x = np.array([[11, 12, 13, 14, 15], [16, 17, 18, 19, 20], [21, 22, 23, 24, 25], [26, 27, 28, 29, 30], [31, 32, 33, 34, 35]])y = x[0:3, [1, 2, 2]]print(y)# [[12 13 13]# [17 18 18]# [22 23 23]]# 第零维：(0:3) 取走，第一维取出[1,2,2]元素np.take()
从指定轴抽取元素
x = np.array([[11, 12, 13, 14, 15], [16, 17, 18, 19, 20], [21, 22, 23, 24, 25], [26, 27, 28, 29, 30], [31, 32, 33, 34, 35]])r = [0, 1, 2]print(np.take(x, r, axis=0))# [[11 12 13 14 15]# [16 17 18 19 20]# [21 22 23 24 25]]print(np.take(x, r, axis=1))#[[11 12 13]# [16 17 18]# [21 22 23]# [26 27 28]# [31 32 33]]切片索引和整数索引的区别
切片索引所生成的数组视图始终是原始数组的子数组；然而整数索引生成的数组不是其子数组，而是新的数组
# 切片索引a=np.array([[1,2],[3,4],[5,6]])b=a[0:1,0:1]b[0,0]=2print(a[0,0]==b)#[[True]]# 整数索引a=np.array([[1,2],[3,4],[5,6]])b=a[0,0]b=2print(a[0,0]==b)#False优雅的数组迭代
apply_along_axis(func1d, axis, arr)x = np.array([[11, 12, 13, 14, 15], [16, 17, 18, 19, 20], [21, 22, 23, 24, 25], [26, 27, 28, 29, 30], [31, 32, 33, 34, 35]])y = np.apply_along_axis(np.sum, 0, x)print(y) # [105 110 115 120 125]y = np.apply_along_axis(np.sum, 1, x)print(y) # [ 65 90 115 140 165]这个中央很容易弄反，二维数据领有两个轴：第 0 轴沿着行的垂直往下，第 1 轴沿着列的方向程度延长。
比方 axis=0 时，是对垂直方向的数据进行顺次操作；axis=1 时，是对程度方向的数据进行顺次操作。